GPatcher：一种缓解图异配性的简单自适应 MLP 模型
机器学习
2023-06-27 v1 人工智能
社会与信息网络
摘要
尽管图异配性近年被广泛研究，一个基础性问题在很大程度上仍属初探：图异配性如何以及在何种程度上影响图神经网络（GNN）的预测性能？本文旨在揭示图异配性对 GNN 谱滤波器的影响。我们的理论结果表明，设计适应不同图异配程度的自适应多项式滤波器，对保证 GNN 的泛化性能至关重要。受理论发现启发，我们利用 MLP-Mixer 架构提出了一种简单而强大的 GNN，名为 GPatcher。我们的方法包含两个主要组件：（1）自适应块提取函数，针对不同异配程度自动将每个节点的非欧几里得图表示转换为欧几里得块表示；（2）高效块混合函数，从局部上下文信息与全局位置信息中学习显著节点表示。通过大量实验，GPatcher 模型在节点分类上相较流行的同配性 GNN 与最先进的异配性 GNN 均展现出卓越性能。
引用
@article{arxiv.2306.14340,
title = {GPatcher: A Simple and Adaptive MLP Model for Alleviating Graph Heterophily},
author = {Shuaicheng Zhang and Haohui Wang and Si Zhang and Dawei Zhou},
journal= {arXiv preprint arXiv:2306.14340},
year = {2023}
}